[論文レビュー] Generation of Synthetic Electronic Health Records Using a Federated GAN

John E. Weldon, Tomás Ward+1 more|arXiv (Cornell University)|Sep 6, 2021

Machine Learning in Healthcare参考文献 15被引用数 5

ひとこと要約

本論文は、プライバシーを守りながら分散型ICU患者診断データから高精細度の合成電子歴史記録（EHR）を生成するためのフェデレーテッド生成対抗ネットワーク（GAN）を提案する。複数の病院間でのフェデレーテッド学習が、中央集権的学習と同等の合成データ品質を維持することを示しており、統計的・臨床的評価指標に顕著な低下は認められない。

ABSTRACT

Sensitive medical data is often subject to strict usage constraints. In this paper, we trained a generative adversarial network (GAN) on real-world electronic health records (EHR). It was then used to create a data-set of "fake" patients through synthetic data generation (SDG) to circumvent usage constraints. This real-world data was tabular, binary, intensive care unit (ICU) patient diagnosis data. The entire data-set was split into separate data silos to mimic real-world scenarios where multiple ICU units across different hospitals may have similarly structured data-sets within their own organisations but do not have access to each other's data-sets. We implemented federated learning (FL) to train separate GANs locally at each organisation, using their unique data silo and then combining the GANs into a single central GAN, without any siloed data ever being exposed. This global, central GAN was then used to generate the synthetic patients data-set. We performed an evaluation of these synthetic patients with statistical measures and through a structured review by a group of medical professionals. It was shown that there was no significant reduction in the quality of the synthetic EHR when we moved between training a single central model and training on separate data silos with individual models before combining them into a central model. This was true for both the statistical evaluation (Root Mean Square Error (RMSE) of 0.0154 for single-source vs. RMSE of 0.0169 for dual-source federated) and also for the medical professionals' evaluation (no quality difference between EHR generated from a single source and EHR generated from multiple sources).

研究の動機と目的

• 機密性の高い電子歴史記録（EHR）の共有に制約がかかる状況を解決するため、実際の患者データを露呈せずに統計的性質を保持する合成EHRの生成。
• プライバシー規制によりデータを共有できない孤立したデータ・スイート（データ・シロ）を有する複数の病院間で協働的にEHRデータを生成することを可能にする。
• フェデレーテッドGAN学習が、単一のデータソースからの中央集権的学習と比較して、合成EHRの品質を維持できるかどうかを評価すること。
• 合成EHRの妥当性を保証するため、統計的指標と臨床専門家のレビューの両方を用いて検証することにより、研究およびモデル訓練における現実性と有用性を確保すること。

提案手法

• MIMIC-III EHRデータセットのバイナリI CD-9診断コードを用いて、条件付きGANを訓練し、各患者を1,071次元のバイナリーベクトルにマッピング。
• 各病院（データ・シロ）が自らのデータ上で局所的なGANを独立して訓練するフェデレーテッド学習フレームワークを実装。この際、実際の患者データを他機関に送信しない。
• 実際の患者データをいかなる形でも機関間で送信せずに、局所的な生成器および識別器モデルを統合してグローバルな中央GANを構築。
• モード崩壊を軽減するために、勾配ペナルティ付きワッサーシュタインGAN（WGAN-GP）を用いたが、品質の低下が生じたため、標準GANに回復。
• 実データ分布との間のルート・マンハッタン平均二乗誤差（RMSE）と、潜在的なメンバー識別攻撃の兆候を検出するためのコサイン類似度を用いて、合成データの品質を評価。
• 医療専門家による構造化された臨床レビューを実施し、生成されたEHRの現実性および臨床的妥当性を評価。

実験結果

リサーチクエスチョン

• RQ1 分散型で孤立したデータ・スイートにわたる学習がなされた場合、フェデレーテッドGANは中央集権的学習と同等の品質の合成EHRを生成できるか？
• RQ2 複数の病院間でのフェデレーテッド学習は、単一ソースからの学習と比較して、合成EHRの統計的忠実度に顕著な低下をもたらすか？
• RQ3 医療専門家は、フェデレーテッドGANで生成されたEHRの現実性および臨床的妥当性をどのように評価するか？
• RQ4 重複照合やコサイン類似度といったプライバシー確認手法により、合成患者が実患者と同一視可能であるかどうかをどの程度確認できるか？
• RQ5 WGAN-GPは、データ品質を損なうことなく、合成EHR生成におけるモード崩壊を効果的に防止できるか？

主な発見

• フェデレーテッドGANは二重スイート学習でRMSEが0.0169を記録したのに対し、単一ソース学習では0.0154であった。統計的品質への劣化は最小限にとどまった。
• すべてのモデルにおいて、実患者の診断ベクトルと合成患者との間に完全一致は認められず、直接的なデータ漏洩は確認されなかった。
• 実患者と合成患者間の平均最小コサイン距離は0.4698（二重スイート）であり、類似度が0.1未満の割合はわずか0.1未満にとどまり、メンバー識別攻撃のリスクは低かった。
• 医療専門家は、単一ソースから生成されたEHRと複数のフェデレーテッドソースから生成されたEHRとの間に、品質に顕著な差異を認めなかった。
• WGAN-GPはモード崩壊を軽減したが、データ品質に顕著な低下をもたらしたため、著者らは標準GANアーキテクチャを採用し続けることにした。
• 本研究は、フェデレーテッドGANが、厳格なデータ共有制約下でもプライバシーと有用性を損なわず、高品質な合成EHRを生成可能であることを確認した。